Análise Geoespacial e Sensoriamento Remoto

Devido à necessidade de ampla base de dados espaciais, composta por expressiva diversidade de mapas e dados, as técnicas de análise geoespacial e dados de sensoriamento remoto são de suma importância na análise das relações entre parâmetros de qualidade de água e a estrutura espacial da paisagem (FERREIRA, 2003).

3.7.1 Modelos Digitais de Elevação (MDE)

A topografia da superfície terrestre é uma das medições geofísicas mais fundamentais da Terra e é um fator dominante em praticamente todos os processos físicos que ocorrem na superfície terrestre. A topografia da superfície terrestre também controla significativamente os processos atmosféricos próximos à superfície e reflete os processos dentro da litosfera subjacente. Consequentemente, a informação topográfica é importante em todo o espectro das geociências (JPL NASA, 2017).

A análise de sistemas terrestres recebe mais objetividade e uniformidade em relação aos métodos tradicionais (qualitativos), quando são adotados métodos quantitativos que demandam a mensuração e mapeamento de variáveis do relevo, destacando-se dentre elas a altitude, declividade, curvaturas vertical e horizontal, orientação de vertentes, dentre outras variáveis morfométricas, caracterizando o relevo de forma mais detalhada (VALERIANO, 2008).

Com o desenvolvimento do sensoriamento remoto, a abordagem quantitativa foi substancialmente facilitada por modelos digitais de elevação (MDE), gerados remotamente por meio de dados coletados por sensores orbitais e/ou aerotransportados. Estes modelos possibilitam a extração automática de informações da topografia, amenizando assim, a demanda de trabalho manual ou a coleta destes por meios tradicionais bem como a subjetividade dessas atividades (VALERIANO, 2008). O MDE pode ser definido como representação matemática-computacional contínua da superfície terrestre, em um plano cartográfico, segundo eixos x, y e z, onde x e y são as coordenadas geográficas e z representa o valor de altitude nesta posição. Para o Brasil estão disponíveis, gratuitamente, vários tipos de MDE: SRTM 1 e 2, ASTER GDEM 1 e 2, e o TOPODATA.

A Shuttle Radar Topography Mission (SRTM) é um projeto conjunto entre a National Geospatial-Intelligence Agency (NGA) e a National Aeronautics and Space Administration (NASA), lançado em fevereiro de 2000. O objetivo deste projeto foi produzir dados topográficos digitais para 80% da superfície terrestre do planeta (todas as áreas terrestres entre 60° norte e 56° sul), com pontos de dados localizados a cada um arco-segundo

(aproximadamente 30 metros) em uma grade de latitude/longitude (USGS, 2008). A precisão vertical absoluta dos dados de elevação é de 16 metros (com 90% de confiança) (USGS, 2008). No mapeamento interferométrico os dados Radar de Abertura Sintética (SAR) de um mesmo local no terreno são registrados por duas antenas em diferentes localizações ou por uma mesma antena em tempos distintos (JENSEN, 2009). A SRTM trabalhou com antenas operando nas bandas C e X, no compartimento de cargas do ônibus espacial Endeavor, e uma antena adicional nas bandas C e X posicionada no final de uma haste de 60m, acoplada ao Endeavor (JENSEN, 2009; USGS, 2008). Uma das maiores vantagens da interferometria é poder adquirir dados através de nuvens e em qualquer período do dia (JENSEN, 2009).

Contudo, os dados SRTM foram inicialmente distribuídos em uma resolução espacial de 90 metros (3 arco-segundos), sendo que os dados SRTM com resolução espacial de 30 metros só passaram a ser distribuídos a partir do ano de 2016.

No ano de 2008, o projeto TOPODATA, do Instituto Nacional de Pesquisas Espaciais (INPE), passou a disponibilizar um MDE elaborado a partir dos dados SRTM (3 arco- segundos) refinados para a resolução espacial de 30m. Este refinamento dos dados consiste, em um primeiro momento, no preenchimento de falhas dos dados SRTM, que posteriormente são convertidos para arquivos ASCII x,y,z, sendo mantida ainda a resolução original de 3 arco- segundos (VALERIANO, 2005). Estes arquivos são interpolados, por meio do algoritmo de krigagem, gerando MDE refinado para 1 arco-segundo (VALERIANO, 2005).

O ASTER GDEM (ASTER - Advanced Spaceborne Thermal Emission and Reflection Radiometer; GDEM - Global Digital Elevation Model) é um conjunto de produtos desenvolvidos e disponibilizados ao público pelo Ministry of Economy, Trade and Industry (METI) do Japão e pela United States National Aeronautics and Space Administration (NASA). O instrumento ASTER foi construído pela METI e lançado a bordo do satéliteTerra da NASA em dezembro de 1999.

Na primeira versão do ASTER GDEM, lançada em junho de 2009, os dados do MDE são oriundos de pares estereoscópicos de imagens do ASTER com resolução espacial de até 30m, cobrindo superfícies terrestres entre 83° N e 83° S (JPL NASA, 2017). O sistema de aquisições de imagens no espectro visível (VIS) e infravermelho próximo (IVP) do ASTER apresenta dois telescópios, o instrumento VIS-IVP, que gera imagens em nadir (vertical), com um ângulo lateral de até 8,55°, e um outro instrumento, que também opera na faixa do IVP, capaz de gerar uma imagem em retro-visada de aproximadamente 27°, em direção oposta à órbita do satélite, imageando a mesma área 55 segundos após o imageamento realizado pelo primeiro instrumento. Essa operação permite a composição de um par estereoscópico de

bandas posicionadas no IVP, denominadas bandas 3N (Nadir) e 3B (Backward looking) (LANDAU et al., 2011). Em decorrência do curto intervalo de tempo entre a aquisição das imagens que compõem o par estereoscópico. Assim, não são verificadas diferenças radiométricas, nas condições de iluminação da cena e de cobertura de nuvens (LANDAU et al., 2011).

O ASTER GDEM é disponibilizado no formato GeoTIFF, referenciado no sistema de coordenadas geográficas Lat-Long e Datum WGS84. A precisão estimada de pré-produção para este produto global é de 20 metros a um intervalo de confiança de 95 para dados verticais e 30 metros para dados horizontais (JPL NASA, 2017).

Estudos iniciais realizados pelo METI e pela NASA para validar e caracterizar o ASTER GDEM confirmam que as estimativas de precisão de pré-produção são comumente obtidas para a maior parte da superfície terrestre global, embora os resultados variem e as precisões verdadeiras não atendam às estimativas de pré-produção para algumas áreas. Consequentemente, o METI e a NASA reconhecem que a versão 1 do ASTER GDEM deve ser vista como experimental (JPL NASA, 2017).

O ASTER GDEM 2 aprimorado, lançado em outubro de 2011, adiciona 260.000 pares estéreo, melhorando a cobertura global e reduzindo a ocorrência de inconsistências. O algoritmo de produção mais refinado proporciona uma resolução espacial melhorada, maior precisão horizontal e vertical e detecção de corpo d’água. O ASTER GDEM 2 mantém o formato GeoTIFF e a mesma estrutura de grade do ASTER GDEM 1, referenciado no sistema coordenadas geográficas Lat/Long e Datum WGS84. De modo geral, o ASTER GDEM 2 apresenta melhorias significativas em relação à versão anterior (JPL NASA, 2017).

A escolha de um determinado MDE é etapa muito importante, e deve levar em conta a acurácia e precisão de cada modelo (WU et al., 2005). Nem sempre estes modelos alcançam a acurácia e precisão necessárias aos estudos em grandes e médias escalas, tornando-se necessário avaliar, para cada área, a equivalência da precisão dos dados à escala de trabalho desejada (SOUZA et al., 2012). Souza et al. (2008) salientam que para cada uso de produtos cartográficos há uma tolerância de erro; à medida que essa tolerância diminui torna-se indispensável conhecer a qualidade geométrica do produto planialtimétrico utilizado. Segundo estes mesmos autores, no Brasil todos os documentos cartográficos devem satisfazer ao Padrão de Exatidão Cartográfica – PEC disposto no Decreto n° 89.817/84 onde são estabelecidas as Instruções Reguladoras das Normas Técnicas da Cartografia Nacional.

3.7.2 Aplicação de classificadores digitais no mapeamento de uso da terra e cobertura vegetal

A gestão territorial demanda uma constante caracterização dos recursos naturais, além de seu monitoramento periódico, com o objetivo de sua utilização de forma racional. A execução de projetos de levantamento e mapeamento da superfície terrestre têm-se beneficiado do avanço nas áreas de sensoriamento remoto e geoprocessamento. Com o advento dos sensores orbitais, principalmente a partir da série Landsat, iniciada em 1972, extensas áreas puderam ser caracterizadas e monitoradas, o que possibilita a realização de estudos em amplas regiões a um custo relativamente baixo (JENSEN, 2005).

Em geral, o processo de classificação pode ser feito por interpretação visual ou por classificação digital, que pode ser supervisionada ou não-supervisionada. Para a interpretação visual, o fotointérprete extrai feições de interesse das imagens, em geral uma composição colorida RGB (VENTURIERI e SANTOS, 1998). Já a classificação digital é um processo de reconhecimento de padrões e de objetos homogêneos, representados em um conjunto de pixels, ao qual se aplica o mapeamento de áreas pertencentes a uma única classe de objetos (JENSEN, 2005). Ainda, segundo este autor, os algoritmos responsáveis pela classificação digital são denominados “classificadores”, e a classificação pode ser feita pixel a pixel ou por regiões/objetos.

As classificações pixel a pixel baseiam-se principalmente em parâmetros estatísticos (média, variância etc.) dos pixels de treinamento, a exemplo dos perfis espectrais, para o agrupamento dos pixels remanescentes nas classes predeterminadas (JENSEN, 2005). As classificações por região ou orientadas a objetos, do inglês "object‑based image analysis" (OBIA), utilizam, além de informação espectral de cada pixel, a informação espacial que envolve a relação de pixels circunvizinhos, tais como forma e textura (PONZONI et al., 2012). Assim, o classificador simula a análise de um fotointérprete, ao delimitar áreas homogêneas nas imagens, a partir das características espectrais e espaciais dos objetos que constituem as classes de interesse (PONZONI et al., 2012).

Uma gama de classificadores, aplicados à classificação supervisionada pixel a pixel, tem sido amplamente empregada na classificação de imagens remotamente situadas, e os classificadores “Mahalanobis”, "maximum likelihood", "Minimum distance" e "Parellelepiped" têm sido os mais utilizados (SISODIA et al., 2014), todos de natureza paramétrica. Neste contexto, muitos trabalhos têm avaliado a acurácia desses classificadores, para a definição de áreas homogêneas a partir de imagens de resolução espacial moderada

(HAGNER et al., 2007; PRISHCHEPOV et al., 2012; LAURIN et al., 2013; JIA et al., 2014; GANASRI et al., 2015).

Recentemente, inúmeros trabalhos têm mostrado que técnicas de classificação não paramétricas, com o emprego de classificadores “máquinas de vetores‑ suporte ("support vector machine", SVM) e “k‑ vizinhos mais próximos” ("k‑ nearest neighbor", K‑ NN), têm- se destacado na classificação orientada a objetos (MOUNTRAKIS et al., 2011; DRONOVA et al., 2012; LIU et al., 2013; POUSANIDIS et al., 2015; WAHIDIN et al., 2015), uma vez que atributos como forma, textura e nitidez apresentam natureza não paramétrica. Em atividade há mais de 40 anos, a série Landsat conta atualmente com o satélite Landsat‑ 8. Contudo, ainda há carência de estudos que visem avaliar comparativamente a acurácia de classificadores digitais, aplicados a classificações orientadas a objetos, a partir de imagens Landsat‑ 8 adquiridas em ambientes tropicais.